目的基于机器学习筛选潜在关联的实验室指标，并联合孟德尔随机化分析探讨其与1型糖尿病（T1DM）的因果关联。方法选择2021-2022年于吉林大学第一医院就诊的T1DM患者210例作为T1DM组，选择与T1DM组年龄、性别匹配的同期在吉林大学第一医院体检的健康体检者210例作为健康对照组。按7∶3的比例将全部研究对象划分为训练集（n=294）与测试集（n=126）。采用Lasso回归结合交叉验证从39项实验室指标中筛选指标，构建极端梯度提升（XGBoost）、Logistic回归、轻量梯度提升机（LightGBM）、随机森林（RF）、自适应提升（AdaBoost）、决策树（DT)、梯度提升决策树（GBDT)、支持向量机（SVM)8种机器学习模型，绘制受试者工作特征（ROC）曲线比较8种机器学习模型的性能；基于英国生物银行及日本生物银行的单核苷酸多态性（SNP）数据，分别在欧洲人群和亚洲人群中分析所选指标与T1DM的因果关联。结果Lasso回归在39项实验室指标中筛选出10项候选特征：肌酸激酶（CK）、天冬氨酸氨基转移酶（AST）、总蛋白（TP）、白蛋白（ALB）、间接胆红素（IBil）、视黄醇结合蛋白（RBP）、铁蛋白（SF）、总铁结合能力（TIBC）、不饱和铁结合能力（UIBC）和血红蛋白（Hb）。基于10项候选特征，构建8种机器学习模型，其中XGBoost模型在测试集中的AUC最大（0.968，95%CI：0.945～0.991），且训练集与测试集AUC差值最小（ΔAUC=0.020）。基于XGBoost模型的特征重要性分析，10项指标按重要性从高到低依次为RBP、TIBC、TP、ALB、UIBC、CK、Hb、SF、IBil和AST。孟德尔随机化分析结果显示，ALB与欧洲人群T1DM之间存在潜在因果关联（P＜0.05），使用随机效应逆方差加权法（OR=0.900,95%CI:0.835～0.970,P=0.006）、加权中位数法 (OR=0.896，95%CI:0.836～0.961,P=0.002)和加权模式法(OR=0.900，95%CI:0.832～0.974,P=0.010) 进行分析得到了186个能够显著影响ALB与T1DM因果关系的SNP。MR-Steiger方向性检验结果支持因果方向为ALB→T1DM。在亚洲人群中，受限于GWAS样本量及工具变量数量，ALB与T1DM的因果关联无统计学意义（P＞0.05）。结论该研究成功构建并验证了整合机器学习筛选与孟德尔随机化验证的分析框架。该策略能有效从常规临床指标中识别出与T1DM具有因果关联的风险因子ALB，并排除非因果性的伴随指标，为临床大数据的因果挖掘提供了新思路。